Model ARIMA (Autoregresní integrovaný klouzavý průměr) využívá data časových řad a statistickou analýzu k interpretaci dat a vytváření budoucích předpovědí. Model ARIMA si klade za cíl vysvětlit data pomocí dat časových řad o jeho minulých hodnotách a používá lineární regrese Vícenásobná lineární regrese Vícenásobná lineární regrese odkazuje na statistickou techniku používanou k předpovědi výsledku závislé proměnné na základě hodnoty nezávislých proměnných za účelem předpovědi .
Porozumění modelu ARIMA
Následující popisná zkratka vysvětluje význam každé z klíčových komponent modelu ARIMA:
- „AR”V ARIMA znamená autoregrese, což naznačuje, že model používá závislý vztah mezi aktuálními daty a jejich minulými hodnotami. Jinými slovy to ukazuje, že data jsou regresována podle svých minulých hodnot.
- „Já“Znamená integrovaný, což znamená, že data jsou nehybná. Stacionární data označují data časových řad, která byla „stacionární“ odečtením pozorování od předchozích hodnot.
- „MA“Znamená model s klouzavým průměrem, což naznačuje, že předpověď nebo výsledek modelu závisí lineárně na minulých hodnotách. To také znamená, že chyby v předpovědi jsou lineární funkcí minulých chyb. Všimněte si, že modely klouzavého průměru se liší od statistických klouzavých průměrů.
Každá z komponent AR, I a MA je součástí modelu jako parametr Parametr Parametr je užitečnou součástí statistické analýzy. Odkazuje na vlastnosti, které se používají k definování dané populace. Je zvyklý. K parametrům jsou přiřazeny konkrétní celočíselné hodnoty, které označují typ modelu ARIMA. Běžná notace pro parametry ARIMA je uvedena a vysvětlena níže:
ARIMA (p, d, q)
- Parametr str je počet autoregresních výrazů nebo počet „zpožděných pozorování“. Nazývá se také „pořadí zpoždění“ a určuje výsledek modelu poskytnutím zpožděných datových bodů.
- Parametr d je znám jako stupeň diferenciace. udává, kolikrát byly zpožděné indikátory odečteny, aby byla data nehybná.
- Parametr q je počet chyb prognózy v modelu a označuje se také jako velikost okna klouzavého průměru.
Parametry mají hodnotu celých čísel a musí být definovány, aby model fungoval. Mohou také nabývat hodnoty 0, což znamená, že se v modelu nebudou používat. Tímto způsobem lze z modelu ARIMA udělat:
- Model ARMA (žádná stacionární data, d = 0)
- AR model (žádné klouzavé průměry nebo stacionární data, pouze autoregrese na minulé hodnoty, d = 0, q = 0)
- MA model (model s klouzavým průměrem bez autoregrese nebo stacionárních dat, str = 0, d = 0)
Proto lze modely ARIMA definovat jako:
- ARIMA (1, 0, 0) - známý jako autoregresní model prvního řádu
- ARIMA (0, 1, 0) - známý jako model náhodné chůze
- ARIMA (1, 1, 0) - známý jako diferencovaný autoregresní model prvního řádu, a tak dále.
Jakmile jsou parametry (p, d, q) byly definovány, model ARIMA si klade za cíl odhadnout koeficienty α a θ, což je výsledek použití předchozích datových bodů k prognózování hodnot.
Aplikace modelu ARIMA
V oblasti obchodu a financí lze model ARIMA použít k předpovědi budoucích množství (nebo dokonce cen) na základě historických dat. Aby byl model spolehlivý, musí být data spolehlivá a musí vykazovat relativně dlouhou dobu, po kterou byla shromážděna. Některé z aplikací modelu ARIMA v podnikání jsou uvedeny níže:
- Prognóza množství zboží potřebného pro další časové období na základě historických údajů.
- Prognózy prodeje a interpretace sezónních změn v prodeji
- Odhad dopadu marketingových událostí Model AIDA Model AIDA, což je zkratka pro Attention, Interest, Desire a Action model, je model reklamního efektu, který identifikuje fáze, které uvádí jednotlivý nový produkt na trh atd.
Modely ARIMA lze vytvářet v softwaru pro analýzu dat a datové vědy, jako jsou R a Python.
Omezení modelu ARIMA
Ačkoli modely ARIMA mohou být vysoce přesné a spolehlivé za vhodných podmínek a dostupnosti dat, jedním z klíčových omezení modelu je, že parametry (p, d, q) je třeba definovat ručně; proto nalezení nejpřesnějšího uložení může být dlouhý proces pokusů a omylů.
Podobně model do značné míry závisí na spolehlivosti historických dat a jejich rozdílech. Je důležité zajistit, aby byla data shromažďována přesně a po dlouhou dobu, aby model poskytoval přesné výsledky a předpovědi.
souhrn
Model ARIMA používá statistické analýzy v kombinaci s přesně shromážděnými historickými datovými body k předpovědi budoucích trendů a obchodních potřeb. Pro podniky lze použít k předpovědi sezónních změn v prodeji, prognózování zásob potřebných pro další prodejní cyklus a k odhadu dopadu událostí a uvedení nových produktů na trh.
Model ARIMA je obvykle označen parametry (p, d, q), kterým lze přiřadit různé hodnoty k modifikaci modelu a jeho použití různými způsoby. Některá omezení modelu jsou jeho závislost na sběru dat a ruční proces pokusů a omylů potřebný k určení hodnot parametrů, které nejlépe vyhovují.
Další zdroje
Finance nabízí Certified Banking & Credit Analyst (CBCA) ™ Certifikace CBCA ™ Certifikace Certified Banking & Credit Analyst (CBCA) ™ je celosvětovým standardem pro úvěrové analytiky, který zahrnuje finance, účetnictví, kreditní analýzu, analýzu peněžních toků, modelování smluv, půjčky splátky a další. certifikační program pro ty, kteří chtějí posunout svou kariéru na vyšší úroveň. Chcete-li se neustále vzdělávat a rozvíjet svou kariéru, budou užitečné následující zdroje:
- Upravená beta Upravená beta Upravená beta má tendenci odhadovat budoucí beta verzi zabezpečení. Jedná se o historickou beta verzi upravenou tak, aby odrážela tendenci beta verze být zpětný - CAPM
- Chyba bez vzorkování Chyba bez vzorkování Chyba bez vzorkování odkazuje na chybu, která vzniká z výsledku sběru dat, což způsobí, že se data liší od skutečných hodnot. Je to jiné
- Jednoduchý klouzavý průměr (SMA) Jednoduchý klouzavý průměr (SMA) Jednoduchý klouzavý průměr (SMA) označuje průměrnou závěrečnou cenu akcie za určité období. Důvodem, proč se průměr nazývá „pohyblivý“, je to, že se jedná o akcie
- Analýza dat časové řady Analýza dat časové řady Analýza dat časové řady je analýza datových sad, které se v průběhu času mění. Datové sady časových řad zaznamenávají pozorování stejné proměnné v různých časových bodech. Finanční analytici používají data časových řad, jako jsou pohyby cen akcií nebo tržby společnosti v průběhu času
